cogagent-chat-hf
视觉多轮对话及GUI代理开源模型
CogAgent是一款基于CogVLM改进的开源视觉语言模型，支持超高分辨率图像输入与OCR任务。在VQAv2等跨模态测试表现优秀，免费供学术研究，商业使用需注册许可。
项目介绍：cogagent-chat-hf
项目概览
CogAgent是一个开源的视觉语言模型，基于CogVLM进行改进和升级。该项目的主要目的是增强图形用户界面（GUI）代理和视觉对话的功能。在CogAgent内，特别提到cogagent-chat版本，它在图形用户界面代理、视觉多轮对话、视觉定位等方面具备强大的能力，非常适合需要这些功能或需要与给定图像进行多轮对话的用户使用。
模型版本
在CogAgent项目中，有两个主要版本的模型可供选择：
- cogagent-chat：该版本在GUI代理和视觉定位以及多轮对话方面表现突出，是需要这些功能的首选。
- cogagent-vqa：针对单轮视觉问答（VQA）任务而设计，适合用于VQA基准测试，比如MMVET和VQAv2。
模型能力
CogAgent-18B是CogAgent的重要版本，具有极其强大的视觉和语言处理能力，其视觉参数达到110亿，语言参数则为70亿。该模型在图像理解和GUI代理方面表现出色，具体包括：
- 在9个跨模态基准测试上实现了最先进的综合性能，例如VQAv2、MM-Vet、POPE等。
- 在GUI操作数据集上大幅超越已有模型，包括AITW和Mind2Web等数据集。
除了CogVLM已经具备的功能（例如视觉多轮对话和视觉定位），CogAgent还提供了以下增强功能：
- 支持更高分辨率的视觉输入和对话问答，能够处理高达1120x1120分辨率的图像输入。
- 拥有视觉代理的能力，能够为任何GUI截图生成动作计划及操作步骤，并返回具体操作坐标。
- 增强GUI相关问答能力，能够处理任意GUI截图下的问题，如网页、PC应用程序及移动应用程序等。
- 通过改进的预训练和微调，提升了与OCR相关任务的能力。
快速开始
要快速上手CogAgent-chat，可以 使用项目提供的Python代码。在命令行中运行以下命令：
python cli_demo_hf.py --bf16
这将加载并运行一个CLI交互式Demo，用户可以通过该Demo与模型进行对话并体验其视觉对话及GUI代理的功能。
许可证
CogAgent的代码以Apache-2.0许可证开源，用户如需用于商业用途，必须在相关的平台注册。注册用户可以免费使用模型进行商业活动，但需遵守许可证的所有条款和条件。
引用与致谢
如果项目对您的研究或应用有帮助，请考虑引用相关论文。在CogVLM的指令微调阶段，使用了一些来自MiniGPT-4、LLAVA、LRV-Instruction、LLaVAR和Shikra项目的英文图文数据，还使用了许多经典的跨模态工作数据集，在此表示诚挚感谢。
这个项目面向研究和实用应用提供了一套强大而灵活的工具，有助于推进在视觉语言模型领域的技术进步。
编辑推荐精选
讯飞智文
一键生成PPT和Word，让学习生活更轻松
讯飞智文是一个利用 AI 技术的项目，能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定，还是学生群体的职业生涯规划、实习避坑指南，亦或是活动策划、旅游攻略等内容，它都能提供支持，帮助用户精准表达，轻松呈现各种信息。
讯飞星火
深度推理能力全新升级，全面对标OpenAI o1
科大讯飞的星火大模型，支持语言理解、知识问答和文本创作等多功能，适用于多种文件和业务场景，提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台，涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能，能为不同需求的用户提供便捷高效的帮助，助力用户轻松获取信息、解决问题，满足多样化使用场景。
Spark-TTS
一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型
Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目，由多个知名机构联合参与。该项目提供了高效的 LLM（大语言模型）驱动的语音合成方案，支持语音克隆和语音创建功能，可通过命令行界面（CLI）和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数，生成高质量的语音。该项目适用于多种场景，如有声读物制作、智能语音助手开发等。
Trae
字节跳动发布的AI编程神器IDE
Trae是一种自适应的集成开发环境（IDE），通过自动化和多元协作改变开发流程。利用Trae，团队能够更快速、精确地编写和部署代码，从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能，是提升开发效率的理想工具。
咔片PPT
AI助力，做PPT更简单！
咔片是一款轻量化在线演示设计工具，借助 AI 技术，实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT，提供海量模板、智能美化、素材替换等功能，适用于销售、教师、学生等各类人群，能高效制作出高品质 PPT，满足不同场景演示需求。
讯飞绘文
选题、配图、成文，一站式创作，让内容运营更高效
讯飞绘文，一个AI集成平台，支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容，加速品牌传播，提升内容营销效果。
材料星
专业的AI公文写作平台，公文写作神器
AI 材料星，专业的 AI 公文写作辅助平台，为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能，支持 30 + 文稿类型生成，助力快速完成领导讲话、工作总结、述职报告等材料，提升办公效率，是体制打工人的得力写作神器。
openai-agents-python
OpenAI Agents SDK，助力开发者便捷使用 OpenAI 相关功能。
openai-agents-python 是 OpenAI 推出的一款强大 Python SDK，它为开发者提供了与 OpenAI 模型交互的高效工具，支持工具调用、结果处理、追踪等功能，涵盖多种应用场景，如研究助手、财务研究等，能显著提升开发效率，让开发者更轻松地利用 OpenAI 的技术优势。
Hunyuan3D-2
高分辨率纹理 3D 资产生成
Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具，支持从文本描述、单张图片或多视角图片生成 3D 模型，具备快速形状生成能力，可生成带纹理的高质量 3D 模型，适用于多个领域，为 3D 创作提供了高效解决方案。
3FS
一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。
3FS 是一个功能强大的分布式文件系统项目，涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作，如创建文件和目录、设置布局等，同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景，能够提高系统的性能和可靠性，是分布式存储领域的优质解决方案。
推荐工具精选
AI云服务特惠
懂AI专属折扣关注微信公众号
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号